孟德尔随机化之MendelianRandomization包（第五讲）

‍‍‍‍在“MendelianRandomization”包的前四讲内容中，米老鼠和大家介绍的都是单变量MR研究，也即一个暴露对应一个结局的研究。不过，我们在这里假设两种情形：（1）以脂质作为暴露因素时，我们很难找到只和HDL相关，但和LDL不相关的SNP，也就是不同的危险因素之间有很多共同遗传变异；（2）如果不同的暴露因素之间存在着中介效应，那我们也很难寻找只和单一危险因素相关的遗传变异。总之，当多个危险因素存在很强的关联时，我们需要使用多变量MR（multivariable MR）来进行准确的因果关系估计。

代码语言：javascript复制

library(MendelianRandomization) #加载R包
MRMVInputObject <- mr_mvinput(bx = cbind(ldlc, hdlc, trig),
                              bxse = cbind(ldlcse, hdlcse, trigse),
                              by = chdlodds, byse = chdloddsse) #MVMR的input格式会和单变量的有所不同
MRMVInputObject

‍

这里的第一个暴露是LDL，第二个暴露是HDL，第三个暴露是Triglycerides。从这里我们可以看出，我们需要每个SNP在所有暴露中的GWAS summary数据，因此做多变量MR研究通常需要我们有完整的GWAS summary数据。

代码语言：javascript复制

MRMVObject1 <- mr_mvivw(MRMVInputObject,
                        model = "default",
                        correl = FALSE,
                        distribution = "normal",
                        alpha = 0.05)

关于mr_mvivw()函数的这些参数，相信大家都应该非常熟悉了，我这里就不赘述了。

代码语言：javascript复制

MRMVObject1

代码语言：javascript复制

MRMVObject2 <-  mr_mvegger(MRMVInputObject, 
                           orientate = 1,
                           correl = FALSE,
                           distribution = "normal", 
                           alpha = 0.05)

这里我们需要注意一下参数orientate，它表示的是将某一个risk factor进行翻转（也即将其beta值全部变为正值），如果是1，表示将第一个risk factor的beta值全部翻转为正值，这个risk factor也是我们主要关注的。除此之外，其他参数均和mr_mvivw()的类似。

代码语言：javascript复制

MRMVObject2

‍‍‍

‍

从上面的结果来看，第一个(LDL)和第三个暴露(triglycerides)均能显著增加CHD的风险，而HDL对CHD并没有保护作用。需要注意的是，IVW和MR-Egger方法均显示这个分析有一定的异质性，同时MR-Egger显示有多效性，说明我们在实际解读结果时选用MR-Egger的结果更加合理。

本次推送，领大家学习了“MendelianRandomization”包进行多变量MR研究，希望能给大家带来帮助！

summary

0 人点赞